WorldMove, offene globale Daten zur menschlichen Mobilität

Warum unsere täglichen Bewegungen wichtig sind

Jeden Tag formen Milliarden von Wegen – zu Fuß zur Schule, mit dem Bus zur Arbeit, Besuche in Parks oder Geschäften – still und leise, wie Städte atmen und wachsen. Diese Bewegungen zu verstehen ist entscheidend, um Staus zu verringern, grünere Quartiere zu planen und sich auf Krankheitsausbrüche vorzubereiten. Detaillierte Daten darüber, wo und wann Menschen sich bewegen, sind jedoch meist hinter Unternehmensgrenzen oder Datenschutzregeln versteckt, und viele Städte – besonders in einkommensschwachen Regionen – verfügen praktisch über keine Daten. Dieser Artikel stellt WorldMove vor, eine neue globale, offene und datenschutzschonende Möglichkeit, menschliche Mobilität zu untersuchen, ohne irgendeine reale Person zu verfolgen.

Eine Weltkarte aus offenen Hinweisen

Anstatt Personen über ihre Telefone oder Bankkarten zu verfolgen, beginnt WorldMove bei öffentlich verfügbaren, bereits anonymisierten Daten, die den Stadtraum statt einzelner Personen beschreiben. Für mehr als 1.600 Städte in 179 Ländern zeichnen die Autoren zunächst präzise Stadtgrenzen mithilfe einer offenen globalen Kartendatenbank. Jede Stadt wird dann in kleine, ein Kilometer breite Quadrate unterteilt, wie ein gleichmäßiges Raster über die städtische Landschaft gelegt. Für jedes Quadrat sammeln sie offene Informationen: wie viele Menschen dort geschätzt leben, welche Arten von Orten es enthält (beispielsweise Geschäfte, Schulen, Parks oder Krankenhäuser), wie beliebt es als Reiseziel anhand von Pendlerstatistiken ist und wo es in einem einfachen lokalen Koordinatensystem liegt. So verwandelt sich die Stadt in ein strukturiertes Mosaik winziger Bereiche, jeder mit einem reichen Profil, aber ohne persönliche Identifikatoren.

Der KI beibringen, Orte zu verstehen, nicht Menschen

Um einem künstlichen Intelligenzsystem beizubringen, wie Menschen typischerweise zwischen diesen Bereichen reisen, verwendet das Team einen zweistufigen Lernprozess. Zuerst komprimieren sie das Profil jedes Quadrats in einen kurzen numerischen „Fingerabdruck“ mithilfe einer Technik namens Autoencoder. Quadrate, die ähnliche Rollen im Stadtleben spielen – belebte Innenstadtzentren, ruhige Vororte, Industriegebiete – liegen in diesem abstrakten Raum nahe beieinander, selbst wenn sie zu verschiedenen Ländern gehören. Anschließend lernt das System anhand realer, aber streng geschützter Mobilitätsaufzeichnungen aus sechs Städten in China, den Vereinigten Staaten und Senegal, wie diese Fingerabdrücke im Tages- und Wochenverlauf typischerweise besucht werden. Entscheidend ist, dass es Muster in diesem abstrakten Raum erlernt, statt konkrete Routen oder Individuen zu memorieren.

Von abstrakten Mustern zurück in die Straßen der Stadt

Einmal trainiert, kann das Modell neue, realistisch wirkende Bewegungssequenzen im abstrakten Fingerabdruckraum erzeugen, indem es einen modernen „Diffusions“-Prozess nutzt, der zufälliges Rauschen schrittweise in plausible Tagesverläufe formt. Diese synthetischen Pfade werden dann auf das reale Stadtraster zurückprojiziert, indem jeder abstrakte Punkt dem ähnlichsten Stadtquadrat zugeordnet wird. Die Anzahl der generierten Trajektorien skaliert mit der Bevölkerung der Stadt und kann von Nutzern angepasst werden. Das Ergebnis ist eine vollständige Woche von Bewegungsverläufen für viele anonyme „virtuelle Bewohner“ in jeder Stadt, sogar dort, wo keine ursprünglichen Mobilitätsdaten existieren. Neben den Trajektorien veröffentlicht das Projekt Grenzdateien, Rasterdefinitionen und die zugrunde liegenden Ortsprofile sowie Code, der es anderen ermöglicht, eigene Datensätze zu erzeugen.

Realitätsprüfung, Fairness und Datenschutz

Um sicherzustellen, dass diese virtuellen Reisen nützlich sind, vergleichen die Forschenden sie mit den verborgenen Realwelt‑Daten in mehreren Dimensionen. Sie stellen fest, dass grundlegende Statistiken wie die übliche Reiseentfernung, wie viele verschiedene Orte jemand an einem Tag besucht, wie lange Verweilzeiten sind und wie oft man zu Lieblingsorten zurückkehrt, eng übereinstimmen. Klassische „Gesetze“ der menschlichen Mobilität – etwa dass die meisten Wege kurz sind, aber wenige weit reichen, oder dass eine kleine Anzahl von Orten die meisten Besuche ausmacht – treten in den synthetischen Daten natürlich auf. Auf Stadtebene spiegeln sich Pendlerflüsse zwischen Vierteln und Stoßzeitenüberfüllungen ebenfalls wider. Tests, die darauf ausgelegt sind, Datenschutzlecks zu erkennen, zeigen, dass Angreifer nicht zuverlässig feststellen können, ob ein bestimmtes Muster aus den Trainingsdaten stammt oder vom Modell generiert wurde, was darauf hindeutet, dass individuelle Wege nicht memorisiert werden.

Neue Möglichkeiten für Planung, Gesundheit und Gerechtigkeit

Da WorldMove offen und synthetisch ist, kann es breit geteilt und mit anderen öffentlichen Informationen kombiniert werden. Die Autoren demonstrieren, wie die Daten detaillierte Verkehrssimulationen antreiben können, um CO2‑Emissionen verschiedener Fahrzeugtypen abzuschätzen und zu prüfen, wie eine Reduktion des Autoverkehrs zur Hauptverkehrszeit die Verschmutzung deutlich senken könnte. In einem weiteren Beispiel kombinieren sie simulierte Bewegungen mit Karten zu Grünflächen und Quartiersdemografie, um ungleichen Zugang zu Parks und dessen Zusammenhang mit psychischer Gesundheit zu untersuchen. Sie zeigen auch, dass das Hinzufügen synthetischer Trajektorien zu begrenzten realen Daten die Genauigkeit von Mobilitätsvorhersagemodellen verbessert, besonders in Städten mit nur spärlichen Messungen.

Ein sicherer Weg, um zu sehen, wie Städte sich bewegen

Im Kern bietet WorldMove einen globalen „Flugsimulator“ für menschliche Bewegung: reichhaltig genug, um zu erfassen, wie Städte tatsächlich funktionieren, aber losgelöst von jeder identifizierbaren Person. Indem das System aus einer Mischung offener Geodaten und sorgfältig geschützter Stichproben realer Mobilität lernt, kann es typische Reiseverläufe in mehr als 1.600 Städten nachbilden und auf Orte ausdehnen, über die wenig bekannt ist. Das gibt Stadtplanern, Verkehrstechnikerinnen und Forschenden im Bereich öffentliche Gesundheit ein mächtiges, datenschutzfreundliches Werkzeug, um Was‑wäre‑wenn‑Fragen zu untersuchen – von neuen Buslinien bis zu grüneren Quartieren – und so dazu beizutragen, künftige Städte gerechter, sauberer und besser vorbereitet zu machen.

Zitation: Yuan, Y., Zhang, Y., Ding, J. et al. WorldMove, a global open data for human mobility. Sci Data 13, 549 (2026). https://doi.org/10.1038/s41597-026-06555-2

Schlüsselwörter: menschliche Mobilität, synthetische Daten, Stadtplanung, datenschutzfreundliche KI, globale Städte